基于图解耦的上下文感知事件预测

事件预测在整个历史长河中一直是一项艰巨且具有挑战性的任务。它在整个社会的危机预警和灾害预防等各个方面发挥着关键作用。事件预测任务旨在基于历史事件对关系和时间模式进行建模,并预测未来将发生什么。现有大多数事件预测研究将其表述为时序事件图上的链接预测问题。然而,这种纯结构化表述存在两个主要局限:1)大多数事件在事件本体中属于通用且高层级的类型,因此它们往往较为粗粒度且效用有限,这不可避免地损害了预测精度;2)由固定本体定义的事件无法保留本体之外的上下文信息。为应对这些局限,我们提出了一种融合辅助上下文信息的新型上下文感知事件预测任务。首先,类别上下文为粗粒度事件提供补充的细粒度信息。其次且更为重要的是,上下文针对特定情境和条件提供了额外信息,而这些信息对接下来将发生什么至关重要甚至具有决定性。然而,考虑到多上下文场景中的复杂模式,将上下文恰当地整合进事件预测框架具有挑战性。为此,我们设计了一种名为分离与协作图解耦(简称 SeCoGD)的新型框架用于上下文感知事件预测。由于该新任务尚无可用数据集,我们基于 GDELT 构建了三个大规模数据集。实验结果表明,我们的模型优于一系列 SOTA 方法。